随着社会经济的快速发展,电网负荷需求日益提高,电力系统的运行点日渐趋近稳定极限。同时,新能源等其他系统的接入也大大增加了电力系统的复杂性及不确定性。精确快速的实现电力系统电压稳定评估与预测分析对维持电压稳定具有重要意义。随着广域测量系统(Wide Area Measurement System,WAMS)和同步相量测量单元(Phasor Measurement Unit,PMU)的快速发展与广泛应用,采集到的海量实时数据为电网运行人员进行电压稳定在线分析提供了可能。本文研究如何利用智能电网海量测量数据,结合深度学习技术,解决电力系统电压稳定在线评估与预测分析问题,是智能电网监控领域很有价值的研究课题。1.分析了主流的相似度理论及计算方法,指出基于欧式距离的电网状态相似度指标(Similarity Index of Power System State,SIPSS)在计算样本间相似性时的不足。分析了相似离度算法可以从样本内数据变化规律和样本间数值差异两个方面衡量向量相似度的优势。基于相似离度和SIPSS构建了电网状态均衡相似度计算指标(Equilibrium Similarity Index of Power System State,ESIPSS)。基于ESIPSS指标实现了样本筛选算法,并用于集成预测模型的数据预处理。2.基于堆叠降噪自编码器(Stacked Denoising Auto Encoder,SDAE)和支持向量回归(Support Vector Regression,SVR)构建了一种集成学习模型用于负荷能力极限和静态电压稳定裕度预测求解。该模型利用了 SDAE能够提取鲁棒性特征的能力以及集成学习可大幅提升准确率的优势,可有效处理含噪声数据集和不含噪声数据集下数据的特征提取和回归预测,能够在数据环境条件受损的情况下,保持一定的鲁棒性,能够很好的解决WAMS和PMU数据受到污染引起的模型预测偏差问题。实验证明,本文提出的SDAE-SVR集成学习模型比其他的传统研究方法具有更优越的性能。3.基于 SDAE 和支持向量分类器(Support Vector Classification,SVC)提出了一个集成学习分类模型—SDAE-SVC用于系统静态电压稳定性评估。该模型利用了 SDAE能够提取鲁棒性特征的能力以及集成学习可大幅提升准确率的优势,可有效处理含噪声数据集和不含噪声数据集下数据的特征提取和分类,能够在数据环境条件受损的情况下,保持一定的鲁棒性,能够很好的解决WAMS和PMU数据受到污染引起的模型预测偏差问题。实验证明,本文提出的SDAE-SVC集成学习模型比其他的传统研究方法,具有更优越的性能。
暂无评论